足式机器人行走控制研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-21页 |
| ·人工生命 | 第8-9页 |
| ·产生背景 | 第8页 |
| ·什么是人工生命 | 第8-9页 |
| ·进化机器人 | 第9-12页 |
| ·进化机器人的概念 | 第9-10页 |
| ·进化机器人的背景和机理 | 第10-11页 |
| ·进化机器人研究现状及展望 | 第11-12页 |
| ·进化计算 | 第12-16页 |
| ·发展概况 | 第12-13页 |
| ·研究内容 | 第13-15页 |
| ·进化计算的原理与特点 | 第15-16页 |
| ·论文背景 | 第16-19页 |
| ·RoboCup介绍 | 第16-17页 |
| ·研究平台 | 第17-19页 |
| ·论文研究意义及所做工作 | 第19-20页 |
| ·本章小节 | 第20-21页 |
| 第二章 机器人的行走控制 | 第21-36页 |
| ·行走步态稳定性分析 | 第21-23页 |
| ·腿部行走动作的设计目标 | 第23页 |
| ·运动方向的控制 | 第23-26页 |
| ·机器狗的腿部建模 | 第26-31页 |
| ·脚掌运动轨迹的确定 | 第31-32页 |
| ·步行速度的提高 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 学习与进化相结合的优化算法 | 第36-67页 |
| ·遗传算法 | 第36-50页 |
| ·遗传算法基本概念 | 第36页 |
| ·遗传算法的优势和特点 | 第36-38页 |
| ·遗传算法的基本要素 | 第38-45页 |
| ·遗传算法的流程 | 第45-46页 |
| ·遗传算法与函数最优化 | 第46-50页 |
| ·BP神经网络的结构与算法 | 第50-55页 |
| ·人工神经网络特点简介 | 第50页 |
| ·BP神经网络结构 | 第50-51页 |
| ·BP算法 | 第51-53页 |
| ·BP算法的学习过程 | 第53-55页 |
| ·学习与进化的关系 | 第55-56页 |
| ·拉马克进化与班德威效应 | 第56页 |
| ·人工神经网络与遗传算法结合原理 | 第56-57页 |
| ·学习对进化的影响研究 | 第57-62页 |
| ·计算模型 | 第57-59页 |
| ·Hinton和Nowlan的实验结果分析 | 第59-60页 |
| ·学习到的性状如何被遗传 | 第60-62页 |
| ·拉马克进化和班德威效应在神经网络中的应用 | 第62-66页 |
| ·实验介绍 | 第62-63页 |
| ·实验仿真 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 第四章 机器狗步态进化实验 | 第67-72页 |
| ·背景介绍 | 第67页 |
| ·实验环境及实验方法 | 第67-69页 |
| ·单纯进化算法介绍 | 第69页 |
| ·单纯遗传算法的实验结果及分析 | 第69-70页 |
| ·结合进化与学习的步态优化算法 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 总结与展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间发表的学术论文目录 | 第79-80页 |
